COLLEAGUE.SKILL: 전문가 지식 증류를 통한 AI 기술 자동 생성 프레임워크

주장인공지능 에이전트가 단순한 작업 수행을 넘어 인간의 전문성과 판단력을 갖추는 시대가 도래했습니다. 티안이 저우(Tianyi Zhou)를 포함한 연구진은 인간의 고유한 지식과 상호작용 방식을 AI에 이식하는 새로운 시스템인 COLLEAGUE.SKILL을 발표했습니다.

팩트연구진은 메릴랜드 대학교와 관련 기관 소속으로 구성되었습니다. 이들은 기존의 메모리 시스템이 파편화된 정보만을 저장한다는 한계를 극복하고자 이번 연구를 진행했습니다.

팩트COLLEAGUE.SKILL은 전문가 지식 증류(Expert Knowledge Distillation) 기법을 활용합니다. 이는 복잡한 전문가의 지식을 AI가 이해할 수 있는 핵심 정보로 압축하는 과정입니다.

팩트시스템은 크게 두 가지 트랙으로 구성됩니다. 첫째는 실무 지식과 의사결정 원리를 다루는 능력 트랙(Capability Track)이며, 둘째는 소통 방식과 교정 이력을 담은 행동 트랙(Bounded Behavior Track)입니다.

주장이 시스템의 핵심은 생성된 기술을 검사하고 수정할 수 있다는 점입니다. 사용자는 자연어 피드백을 통해 AI의 기술을 업데이트하거나 이전 버전으로 되돌리는 롤백(Rollback) 기능을 수행할 수 있습니다.

팩트현재 이 프로젝트는 오픈소스 생태계에서 큰 주목을 받고 있습니다. 공개 저장소는 1만 8천 5백 개의 깃허브 스타를 기록했으며, 165명의 기여자가 215개의 기술 패키지를 등록했습니다.

교차검증본 연구는 아카이브(arXiv)에 등록된 선공개 논문으로, 아직 학계의 공식적인 동료 평가(Peer Review)를 거치지 않았습니다. 따라서 제시된 성능 지표와 시스템의 안정성은 향후 검증이 필요합니다.

팩트COLLEAGUE.SKILL은 기술 패키지를 휴대 가능한 형태로 패키징합니다. 이를 통해 특정 에이전트 호스트에 구애받지 않고 다양한 환경에 기술을 설치하고 배포할 수 있습니다.

교차검증기술적 측면에서 데이터의 편향성 문제와 일반화 가능성에 대한 한계가 존재합니다. 특정 전문가의 데이터를 학습한 모델이 다른 도메인이나 상황에서도 동일한 성능을 보장할지는 추가적인 연구가 필요합니다.

주장이번 연구는 AI 에이전트의 지식을 불투명한 프롬프트나 숨겨진 메모리 형태가 아닌, 명확한 계약 기반의 아티팩트로 전환했다는 데 의의가 있습니다. 이는 AI의 행동을 투명하게 관리하려는 기업 환경에 적합한 모델입니다.

팩트연구진은 시스템의 배포 표면과 도메인 사전 설정(Domain Presets)을 포함한 전체 워크플로우를 공개했습니다. 이는 개발자가 자신의 비즈니스 로직에 맞춰 AI를 빠르게 커스터마이징할 수 있도록 지원합니다.

출처arxiv의 선공개 논문(https://arxiv.org/abs/2605.31264)을 참고했습니다.